Auswahl optimaler Kandidatenprofile in adversen Umgebungen mithilfe von Conjoint-Analyse und maschinellem Lernen
Selecting Optimal Candidate Profiles in Adversarial Environments Using Conjoint Analysis and Machine Learning
April 26, 2025
Autoren: Connor T. Jerzak, Priyanshi Chandra, Rishi Hazra
cs.AI
Zusammenfassung
Die Conjoint-Analyse, eine Anwendung des faktoriellen Versuchsplans, ist ein beliebtes Werkzeug in der sozialwissenschaftlichen Forschung zur Untersuchung multidimensionaler Präferenzen. In solchen Experimenten im Kontext der politischen Analyse werden die Befragten gebeten, zwischen zwei hypothetischen politischen Kandidaten mit zufällig ausgewählten Merkmalen zu wählen, die unter anderem Parteizugehörigkeit, politische Positionen, Geschlecht und ethnische Zugehörigkeit umfassen können. Wir betrachten das Problem der Identifizierung optimaler Kandidatenprofile. Da die Anzahl der einzigartigen Merkmalskombinationen die Gesamtzahl der Beobachtungen in einem typischen Conjoint-Experiment bei weitem übersteigt, ist es unmöglich, das optimale Profil exakt zu bestimmen. Um diese Identifikationsherausforderung zu bewältigen, leiten wir eine optimale stochastische Intervention ab, die eine Wahrscheinlichkeitsverteilung verschiedener Attribute darstellt, die darauf abzielt, das günstigste durchschnittliche Ergebnis zu erzielen. Wir betrachten zunächst ein Umfeld, in dem eine politische Partei ihre Kandidatenauswahl optimiert. Anschließend gehen wir zum realistischeren Fall über, in dem zwei politische Parteien ihre eigene Kandidatenauswahl gleichzeitig und gegeneinander optimieren. Wir wenden die vorgeschlagene Methodik auf ein bestehendes Conjoint-Experiment zur Wahlentscheidung für den US-Präsidenten an. Wir stellen fest, dass im Gegensatz zum nicht-adversarischen Ansatz die erwarteten Ergebnisse im adversarischen Regime im Bereich historischer Wahlergebnisse liegen, wobei die durch die Methode vorgeschlagenen optimalen Strategien mit höherer Wahrscheinlichkeit den tatsächlich beobachteten Kandidaten entsprechen als Strategien, die aus einem nicht-adversarischen Ansatz abgeleitet wurden. Diese Ergebnisse deuten darauf hin, dass die Einbeziehung adversarischer Dynamiken in die Conjoint-Analyse einzigartige Einblicke in sozialwissenschaftliche Daten aus Experimenten liefern kann.
English
Conjoint analysis, an application of factorial experimental design, is a
popular tool in social science research for studying multidimensional
preferences. In such experiments in the political analysis context, respondents
are asked to choose between two hypothetical political candidates with randomly
selected features, which can include partisanship, policy positions, gender and
race. We consider the problem of identifying optimal candidate profiles.
Because the number of unique feature combinations far exceeds the total number
of observations in a typical conjoint experiment, it is impossible to determine
the optimal profile exactly. To address this identification challenge, we
derive an optimal stochastic intervention that represents a probability
distribution of various attributes aimed at achieving the most favorable
average outcome. We first consider an environment where one political party
optimizes their candidate selection. We then move to the more realistic case
where two political parties optimize their own candidate selection
simultaneously and in opposition to each other. We apply the proposed
methodology to an existing candidate choice conjoint experiment concerning vote
choice for US president. We find that, in contrast to the non-adversarial
approach, expected outcomes in the adversarial regime fall within range of
historical electoral outcomes, with optimal strategies suggested by the method
more likely to match the actual observed candidates compared to strategies
derived from a non-adversarial approach. These findings indicate that
incorporating adversarial dynamics into conjoint analysis may yield unique
insight into social science data from experiments.